近年來(lái)醬香白酒市場(chǎng)熱度持續(xù)攀升，“核心產(chǎn)區(qū)”“原產(chǎn)地”“年份酒” 等概念成為消費(fèi)者選購(gòu)時(shí)的核心關(guān)注點(diǎn)。但長(zhǎng)期以來(lái)，行業(yè)鑒別白酒真實(shí)產(chǎn)地、核驗(yàn)產(chǎn)區(qū)屬性高度依賴人工感官品評(píng)；傳統(tǒng)白酒產(chǎn)地鑒別技術(shù)普遍存在地域關(guān)聯(lián)性弱、樣品檢測(cè)通量低、定量精度不足等短板，難以適配產(chǎn)業(yè)規(guī)模化檢測(cè)對(duì)高效、精準(zhǔn)、穩(wěn)定分析的需求。
近期，中國(guó)食品發(fā)酵工業(yè)研究院、西北農(nóng)林科技大學(xué)等單位聯(lián)合在《Food Chemistry》刊發(fā)最新研究成果：首次依托賽默飛 TSQ 9610 GC-MS/MS 三重四極桿氣質(zhì)聯(lián)用儀，建立可同步準(zhǔn)確定量白酒中 156 種關(guān)鍵微量風(fēng)味組分的高通量快速檢測(cè)方法；結(jié)合機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)赤水河流域 6 大產(chǎn)區(qū)醬香白酒的精準(zhǔn)區(qū)分，為白酒真?zhèn)舞b別、地理標(biāo)志保護(hù)、品質(zhì)溯源與風(fēng)味數(shù)字化表達(dá)提供全新技術(shù)方案。
2700種風(fēng)味物質(zhì)中，誰(shuí)才是真正的“產(chǎn)區(qū)密碼”？
目前已報(bào)道的醬香白酒揮發(fā)性風(fēng)味化合物超 2700 種，其風(fēng)味體系層級(jí)豐富、組分構(gòu)成復(fù)雜。醇、醛、酸、酯類為常量風(fēng)味組分，含量可達(dá)上千毫克每升，構(gòu)成醬香型白酒酒體風(fēng)味核心骨架，奠定酒體基礎(chǔ)風(fēng)味特征；而吡嗪、萜烯、酚、呋喃類等種類繁多的微量、痕量風(fēng)味化合物，含量遠(yuǎn)低于常量組分，卻具備典型的“量微效著”特點(diǎn)，對(duì)不同醬香白酒的香氣層次、獨(dú)特感官風(fēng)格起到關(guān)鍵調(diào)控作用。
如何從海量風(fēng)味信息中找到能夠代表產(chǎn)區(qū)特征的“風(fēng)味密碼”，是白酒產(chǎn)地溯源領(lǐng)域的核心挑戰(zhàn)。針對(duì)該痛點(diǎn)，研究團(tuán)隊(duì)構(gòu)建了覆蓋156種痕量揮發(fā)性香氣化合物(TVACs)的GC-MS/MS靶向定量體系，并結(jié)合機(jī)器學(xué)習(xí)建立產(chǎn)區(qū)識(shí)別模型，構(gòu)建“風(fēng)味物質(zhì)解析 — 智能產(chǎn)地判別”完整創(chuàng)新技術(shù)鏈路。
告別繁瑣前處理：GC-MS/MS直接捕獲風(fēng)味密碼
傳統(tǒng)白酒風(fēng)味分析多采用頂空固相微萃取氣相色譜質(zhì)譜法(HS-SPME-GC-MS)，整套流程需要經(jīng)歷平衡、萃取和解吸等多個(gè)步驟，耗時(shí)冗長(zhǎng)；同時(shí)檢測(cè)結(jié)果易受萃取效率、纖維吸附偏差及基質(zhì)效應(yīng)干擾。
本研究充分利用TSQ 9610 GC-MS/MS在復(fù)雜基質(zhì)條件下的高靈敏度和高選擇性的檢測(cè)優(yōu)勢(shì)，落地直接進(jìn)樣方案，采用：1 mL酒樣 + 10μL內(nèi)標(biāo) → 1μL樣品直接進(jìn)樣分析；無(wú)需萃取、濃縮富集等前處理步驟。對(duì)于實(shí)驗(yàn)室檢測(cè)工作而言，該方案具備多重優(yōu)勢(shì)：更簡(jiǎn)化的前處理流程；更高的樣品通量；更低的人為操作誤差；更強(qiáng)的數(shù)據(jù)一致性。
研究首次建立可同步定量白酒中 156 種微量關(guān)鍵風(fēng)味組分的分析平臺(tái)，覆蓋酯、萜烯、吡嗪、酚、醛、呋喃、酮、醇和內(nèi)酯等10大類微量/痕量風(fēng)味化合物，其中含量極低、但風(fēng)味閾值更低的“隱形核心風(fēng)味組分”，可以被準(zhǔn)確捕捉和量化。這對(duì)于理解復(fù)雜風(fēng)味的細(xì)微差異至關(guān)重要，大幅提升了白酒風(fēng)味組學(xué)的分析深度與覆蓋范圍。
圖 2 1 mg/L 混合標(biāo)準(zhǔn)溶液 156 種痕量揮發(fā)性香氣物質(zhì)選擇離子監(jiān)測(cè)(SRM)模式總離子流色譜圖；(A) 定性定量總離子流色譜圖；(B) 定量離子提取色譜圖(點(diǎn)擊查看大圖)
從數(shù)周到數(shù)小時(shí)：AutoSRM讓方法開(kāi)發(fā)更簡(jiǎn)單
對(duì)于三重四極桿質(zhì)譜使用者而言，方法開(kāi)發(fā)耗時(shí)最長(zhǎng)。傳統(tǒng)流程需要人工逐一篩選母離子、子離子，并優(yōu)化碰撞能。當(dāng)目標(biāo)物數(shù)量達(dá)上百種時(shí)，方法開(kāi)發(fā)周期往往以周甚至月計(jì)算。
本研究借助賽默飛AutoSRM自動(dòng)化軟件平臺(tái)，實(shí)現(xiàn)了156種目標(biāo)化合物SRM方法的自動(dòng)開(kāi)發(fā)和參數(shù)優(yōu)化，極大縮短方法開(kāi)發(fā)周期。整套方法分析性能優(yōu)異：
? 標(biāo)準(zhǔn)曲線相關(guān)系數(shù) R²＞0.99
? 目標(biāo)物加標(biāo)回收率 82%–118%
? 方法精密度 RSD＜3.96%
? 基質(zhì)效應(yīng)控制在 ±15% 以內(nèi)
高質(zhì)量數(shù)據(jù)為后續(xù)機(jī)器學(xué)習(xí)建模筑牢數(shù)據(jù)基礎(chǔ)。
即使針對(duì)保留時(shí)間高度重疊的化合物，也能利用SRM模式實(shí)現(xiàn)精準(zhǔn)區(qū)分和準(zhǔn)確定量。AutoSRM 有效降低風(fēng)味組學(xué)、食品安全、多殘留檢測(cè)、靶向代謝組學(xué)領(lǐng)域的質(zhì)譜方法開(kāi)發(fā)門(mén)檻，加速?gòu)膶?shí)驗(yàn)設(shè)計(jì)到數(shù)據(jù)產(chǎn)出的全流程。
圖1. 以四甲基吡嗪為例的 SRM-GC–MS/MS 方法開(kāi)發(fā)流程。A：基于 NIST 標(biāo)準(zhǔn)質(zhì)譜數(shù)據(jù)庫(kù)篩選前體離子；B：默認(rèn)碰撞能量(10、20 和 30 eV)下產(chǎn)物離子的 m/z 分布及響應(yīng)強(qiáng)度譜；C：SRM 掃描模式下單個(gè)離子對(duì)的提取離子色譜圖；D：不同碰撞能量下離子對(duì)峰響應(yīng)強(qiáng)度的變化；E：優(yōu)化后的定量離子對(duì)和定性離子對(duì)的提取離子色譜圖。(點(diǎn)擊查看大圖)
機(jī)器學(xué)習(xí)實(shí)現(xiàn)產(chǎn)區(qū)精準(zhǔn)溯源
為了從海量風(fēng)味定量數(shù)據(jù)中挖掘地域?qū)偬卣?，研究團(tuán)隊(duì)引入正交偏最小二乘判別分析(OPLS-DA)、隨機(jī)森林(Random Forest)和SHAP可解釋性分析算法開(kāi)展建模研究。研究基于TSQ 9610 高通量定量平臺(tái)；在46份醬香型輪次基酒樣品中穩(wěn)定檢出69種風(fēng)味物質(zhì)；結(jié)合OPLS-DA和統(tǒng)計(jì)學(xué)篩選，最終鎖定40種關(guān)鍵地域差異標(biāo)志物，搭建 AI 產(chǎn)地識(shí)別模型，分類準(zhǔn)確率達(dá) 90%。不同產(chǎn)區(qū)樣品在模型中聚類邊界清晰，展現(xiàn)出明顯的地域風(fēng)味特征。
更關(guān)鍵的是，SHAP分析進(jìn)一步揭示了不同產(chǎn)區(qū)最具代表性的風(fēng)味貢獻(xiàn)物質(zhì)，使模型不僅能夠“判斷”，還能解釋“為什么這樣判斷”，讓AI從黑盒判定走向可解釋分析。該技術(shù)體系意味著未來(lái)白酒產(chǎn)區(qū)鑒別有望逐步走向客觀、可驗(yàn)證、可追溯的數(shù)據(jù)化判定模式。
圖4. 來(lái)自 6 個(gè)產(chǎn)地的 46 份 SRBB 樣品的 OPLS-DA 判別模型。A： 基于 69 種 TVACs 構(gòu)建的全特征 OPLS-DA 產(chǎn)地判別模型。B： 基于 69 種 TVACs 全特征 OPLS-DA 產(chǎn)地判別模型的置換檢驗(yàn)圖(n = 200)。C： 基于 VIP > 1 篩選得到的 40 種差異 TVACs 構(gòu)建的 OPLS-DA 產(chǎn)地判別模型。D： 基于 VIP > 1 的 40 種差異 TVACs 構(gòu)建的 OPLS-DA 產(chǎn)地判別模型的置換檢驗(yàn)圖。E： VIP > 1 的 40 種差異 TVACs 及其對(duì)應(yīng)的 VIP 值。(點(diǎn)擊查看大圖)
圖6. 基于隨機(jī)森林模型和SHAP分析篩選不同產(chǎn)區(qū)差異性TVACs。
A–F： SHAP分析得到的不同產(chǎn)區(qū)(A–F)的特征重要性排序；
G： 隨機(jī)森林模型用于產(chǎn)區(qū)分類的混淆矩陣；
H： 隨機(jī)森林模型用于產(chǎn)區(qū)判別的多分類ROC曲線。(點(diǎn)擊查看大圖)
從風(fēng)味分子到數(shù)字指紋：TSQ 9610如何提供關(guān)鍵數(shù)據(jù)？
本研究核心檢測(cè)平臺(tái)為T(mén)SQ 9610 GC–MS/MS，研究成果充分印證了其在復(fù)雜基質(zhì)分析中的優(yōu)勢(shì)：
? 操作更簡(jiǎn)單：
支持復(fù)雜樣品直接進(jìn)樣，減少繁瑣前處理流程。
? 定量更精準(zhǔn)：
SRM模式顯著提升檢測(cè)靈敏度與選擇性，實(shí)現(xiàn)痕量風(fēng)味物質(zhì)精準(zhǔn)定量。
? 開(kāi)發(fā)更智能：
AutoSRM自動(dòng)化完成質(zhì)譜方法開(kāi)發(fā)，高質(zhì)量數(shù)據(jù)無(wú)縫支撐AI模型構(gòu)建。
依托上述優(yōu)勢(shì)，研究團(tuán)隊(duì)借助該儀器完成 156 種痕量風(fēng)味物質(zhì)高通量同步定量，完整覆蓋醬酒核心風(fēng)味維度；為白酒中上百種風(fēng)味閾值更低的“隱形核心風(fēng)味組分” 提供快速、精準(zhǔn)的定量手段，是90%準(zhǔn)確率的AI產(chǎn)區(qū)溯源模型可靠數(shù)據(jù)基礎(chǔ)，成為連接風(fēng)味組學(xué)與人工智能分析的重要數(shù)據(jù)引擎。
下一代食品真實(shí)性研究，正在發(fā)生
一瓶醬香白酒中，蘊(yùn)藏著數(shù)千種風(fēng)味分子的復(fù)雜信息。借助賽默飛TSQ 9610 GC–MS/MS與人工智能技術(shù)，科研人員不僅可精準(zhǔn)檢測(cè)各類微量風(fēng)味分子，更能依托分子特征還原白酒產(chǎn)地來(lái)源、解析專屬風(fēng)味風(fēng)格。
從“檢測(cè)單個(gè)指標(biāo)”到“解析風(fēng)味網(wǎng)絡(luò)”，從“特征識(shí)別”到“數(shù)據(jù)驅(qū)動(dòng)決策”，分析科學(xué)與人工智能的融合正在重新定義食品真實(shí)性研究的未來(lái)。
當(dāng)一瓶酒中的風(fēng)味分子都完成數(shù)字化表征，“產(chǎn)地” 將不再是酒瓶標(biāo)簽上的文字，而是一套可檢測(cè)、可驗(yàn)證、可溯源、可解釋的數(shù)據(jù)資產(chǎn)。
參考文獻(xiàn)：
Geographic discrimination of Sauce-flavor rounded-base Baijiu using GC-MS/MS combined with multivariate analysis and machine learning
期刊：Food Chemistry
發(fā)表時(shí)間：2026 年 3 月
DOI：10.1016/j.foodchem.2026.148901
作者簡(jiǎn)介
一、核心研究人員
第一作者：羅森(Sen Luo)；中國(guó)食品發(fā)酵工業(yè)研究院和西北農(nóng)林科技大學(xué)聯(lián)合培養(yǎng)工程博士，博士課題研究方向：不同產(chǎn)地醬香型白酒多維品質(zhì)表達(dá)體系研究。
主要通訊作者：高紅波(Hongbo Gao)；中國(guó)食品發(fā)酵工業(yè)研究院數(shù)字化部食品安全與風(fēng)味研究中心主任，西北農(nóng)林科技大學(xué)校外博士導(dǎo)師。
長(zhǎng)期從事：酒類食品檢測(cè)方法標(biāo)準(zhǔn)研究制定，酒類食品風(fēng)味組學(xué)、風(fēng)味感官數(shù)字化及快速分析儀器應(yīng)用研究。“十四五國(guó)家重點(diǎn)研發(fā)項(xiàng)目：地理標(biāo)志產(chǎn)品多組學(xué)特征分析與區(qū)塊鏈產(chǎn)地溯源”課題負(fù)責(zé)人 ；完成國(guó)家級(jí)、省級(jí)科研課題10余項(xiàng)，獲得中國(guó)輕工業(yè)聯(lián)合會(huì)、酒業(yè)協(xié)會(huì)、中國(guó)食品學(xué)會(huì)等科技進(jìn)步獎(jiǎng)共10余項(xiàng)，累計(jì)承擔(dān)或參與國(guó)家標(biāo)準(zhǔn)、行業(yè)檢測(cè)方法標(biāo)準(zhǔn)等30余項(xiàng)，發(fā)表論文30余篇。
二、研究單位：本研究由中國(guó)食品發(fā)酵工業(yè)研究院聯(lián)合西北農(nóng)林科技大學(xué)等酒類風(fēng)味組學(xué)研究領(lǐng)域多家權(quán)威機(jī)構(gòu)聯(lián)合完成。
中國(guó)食品發(fā)酵工業(yè)研究院（CNRIFFI）
我國(guó)食品發(fā)酵行業(yè)國(guó)家級(jí)科研機(jī)構(gòu)。長(zhǎng)期承擔(dān)：食品類國(guó)家重點(diǎn)研發(fā)計(jì)劃、食品真實(shí)性研究、酒類風(fēng)味品質(zhì)評(píng)價(jià)和表達(dá)技術(shù)等國(guó)家和行業(yè)科研項(xiàng)目。
三、國(guó)家重點(diǎn)研發(fā)計(jì)劃支持
本研究獲得：十四五 國(guó)家重點(diǎn)研發(fā)項(xiàng)目 “地理標(biāo)志產(chǎn)品多組學(xué)特征分析與區(qū)塊鏈產(chǎn)地溯源”2022YFF0606800；2022YFF0606803等相關(guān)國(guó)家項(xiàng)目的支持。
會(huì)員.png)
10
华坪县|
广西|
阿巴嘎旗|
五峰|
睢宁县|
双峰县|
石嘴山市|
浠水县|
临邑县|
祁门县|
吉林市|
新安县|
南丹县|
东山县|
甘泉县|
安多县|
灌南县|
织金县|
侯马市|
松滋市|
永宁县|
弋阳县|
开江县|
明光市|
冀州市|
义马市|
桂阳县|
赤水市|
玉环县|
马山县|
璧山县|
蕉岭县|
阳朔县|
苍南县|
武乡县|
稷山县|
利川市|
商河县|
宾川县|
山丹县|
博白县|
立即詢價(jià)
您提交后，專屬客服將第一時(shí)間為您服務(wù)